GPU 内存分配#
当第一个 JAX 操作运行时，JAX 将预先分配 75% 的 GPU 总内存。 预分配可以最大限度地减少分配开销和内存碎片，但有时会导致内存不足 (OOM) 错误。如果您的 JAX 进程因 OOM 而失败，可以使用以下环境变量来覆盖默认行为
XLA_PYTHON_CLIENT_PREALLOCATE=false这将禁用预分配行为。JAX 将改为按需分配 GPU 内存，从而可能减少总内存使用量。但是，这种行为更容易出现 GPU 内存碎片，这意味着启用了预分配，而使用大部分可用 GPU 内存的 JAX 程序可能会出现 OOM。
XLA_PYTHON_CLIENT_MEM_FRACTION=.XX如果启用了预分配，则这会使 JAX 预先分配 XX% 的 GPU 总内存，而不是默认的 75%。降低预分配量可以修复在 JAX 程序启动时发生的 OOM。
XLA_PYTHON_CLIENT_ALLOCATOR=platform这会使 JAX 按需分配所需的确切内存，并释放不再需要的内存（请注意，这是唯一会释放 GPU 内存而不是重用内存的配置）。这非常慢，因此不建议用于一般用途，但可能有助于以最小可能的 GPU 内存占用量运行或调试 OOM 失败。
OOM 失败的常见原因#
- 同时运行多个 JAX 进程。
要么使用
XLA_PYTHON_CLIENT_MEM_FRACTION为每个进程提供适当的内存量，要么设置XLA_PYTHON_CLIENT_PREALLOCATE=false。- 同时运行 JAX 和 GPU TensorFlow。
TensorFlow 默认也会预分配，因此这类似于同时运行多个 JAX 进程。
一种解决方案是使用仅 CPU 的 TensorFlow（例如，如果您只使用 TF 进行数据加载）。您可以使用命令
tf.config.experimental.set_visible_devices([], "GPU")来阻止 TensorFlow 使用 GPU或者，使用
XLA_PYTHON_CLIENT_MEM_FRACTION或XLA_PYTHON_CLIENT_PREALLOCATE。 还有类似的选项来配置 TensorFlow 的 GPU 内存分配（TF1 中的 gpu_memory_fraction 和 allow_growth，应该在传递给tf.Session的tf.ConfigProto中设置。 有关 TF2，请参阅 使用 GPU：限制 GPU 内存增长）。- 在显示 GPU 上运行 JAX。
使用
XLA_PYTHON_CLIENT_MEM_FRACTION或XLA_PYTHON_CLIENT_PREALLOCATE。- 禁用重新物化 HLO 传递
有时禁用自动重新物化 HLO 传递有利于避免编译器做出较差的重新物化选择。可以通过设置
jax.config.update('enable_remat_opt_pass', True)或jax.config.update('enable_remat_opt_pass', False)来分别启用/禁用该传递。启用或禁用自动重新物化传递会在计算和内存之间产生不同的权衡。但是请注意，该算法是基础的，通过禁用自动重新物化传递并使用 jax.remat API 手动执行，通常可以在计算和内存之间获得更好的权衡
实验性特性#
此处的特性是实验性的，必须谨慎尝试。
TF_GPU_ALLOCATOR=cuda_malloc_async这将 XLA 自己的 BFC 内存分配器替换为 cudaMallocAsync。这将删除大的固定预分配，并使用一个增长的内存池。预期的好处是不需要设置 XLA_PYTHON_CLIENT_MEM_FRACTION。
风险是
内存碎片不同，因此如果您接近限制，则由于碎片导致的精确 OOM 情况将有所不同。
分配时间不会在开始时全部支付，而是在需要增加内存池时产生。因此，您在开始时可能会遇到较少的速度稳定性，并且对于基准测试，忽略前几次迭代将更为重要。
可以通过预先分配一个大的块来减轻风险，并且仍然可以获得拥有增长内存池的好处。这可以通过 TF_CUDA_MALLOC_ASYNC_SUPPORTED_PREALLOC=N 完成。如果 N 为 -1，它将预分配与默认分配相同的大小。否则，它是您要预分配的大小（以字节为单位）。